• Ir al contenido principal
  • Skip to secondary menu
  • Ir a la barra lateral primaria
  • Ir al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Noticias
    • Opinión
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Boletín
  • Contacto
  • Acerca de Analytics Lane
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • GearBest
      • GeekBuying
      • JoyBuy

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Criptografía
  • Python
  • Matlab
  • R
  • Julia
  • JavaScript
  • Herramientas
  • Opinión
  • Noticias

Aumentar el rendimiento de Python con Cython

septiembre 30, 2019 Por Daniel Rodríguez Dejar un comentario

Python es uno de los lenguajes de programación más populares de la actualidad. Lo que se puede apreciar es los diferentes tipos de desarrollos en los que se suele utilizar: la inteligencia artificial, el análisis de datos o la creación de páginas web. Pero tiene un problema, el código Python es lento en comparación con lenguajes compilados como C. Un problema que se puede solucionar traduciendo el código Python a C y compilándolo con Cython. Pendiendo obtener así considerables mejoras del rendimiento. En esta entrada se explicará cómo se puede aumentar el rendimiento de Python con Cython.

Cython

La forma más fácil de aumentar la velocidad de una función escrita en Python es volver a escribir esta en C y compilarla. Pero C no es tan fácil como el de Python. Para esto es lo que existe Cython, una librería que, con pequeñas modificaciones, permite traducir código Python a C y compilarlo.

El único ajuste que es necesario hacer Cython es indicar el tipo de dato de todas las variables y funciones. Para lo que se utiliza la instrucción def (para utilizar desde Python), cdef (para utilizar desde Cython) o cpdef (para utilizar desde Python y Cython) seguida del tipo de dato. Por ejemplo, en Python para crear una variable entera se tiene que escribir

i = 1

A la hora de usar Cython se tiene que escribir

cpdef int i = 1

Los tipos de datos soportados por Cython los estándar de C/C++: int, char, floar, double, list, dict y object.

Instalación de Cython

La instalación de Cython se realiza mediante pip escribiendo la instrucción:

pip install cython

Una vez instalado ya se puede proceder a su uso.

La sucesión de Fibonacci

Para comprobar cuánto puede mejorar el rendimiento del código Python al utilizar Cython se puede utilizar la sucesión de Fibonacci. La cual la hemos utilizado en anteriormente para comparar el rendimiento de Python con Julia. Esta función en Python se puede implementar mediante el siguiente código:

def fibonacci(n):
    if n < 2:
        return n
    else:
        return fibonacci(n-1) + fibonacci(n-2)

La sucesión de Fibonacci con Cython

El código Python solamente necesita que se le indique el tipo de la variable y la función. En este caso enteros. Además, como la función se quiere utilizar tanto desde Python como Cython se ha de cambiar def por cpdef. Quedando el código de la siguiente forma.

cpdef int fibonacci(int n):
    if n < 2:
        return n
    else:
        return fibonacci(n-1) + fibonacci(n-2)

Ahora este código se tiene que guardar en un archivo con extensión pyx y es necesario compilarlo. En nuestro caso se guardará en un archivo con el nombre fibonacci_cython.pyx.

Compilación del código Cython

Una vez guardada la función en un archivo es necesario crear un script Python para compilar el código. Este archivo debe contener las siguientes líneas de código.

from distutils.core import setup
from Cython.Build import cythonize

setup(ext_modules = cythonize('fibonacci_cython.pyx'))

Una vez guardado el script en un archivo se tiene que ejecutar este. Para esto es necesario utilizar el siguiente comando.

python compile.py build_ext --inplace

Si todo va bien se generará un archivo con extensión c con el código traducido a C y otro archivo con el compilado.

Medir el aumento el rendimiento

Para saber cuánto puede aumentar el rendimiento de Python cuando se utiliza Cython solamente se tiene que comparar el tiempo que tarda en ejecutarse ambas implementaciones de la sucesión de Fibonacci. Para ello se puede usar el siguiente código.

import timeit
import fibonacci_cython

    
py = timeit.timeit("fibonacci(30)", "from __main__ import fibonacci", number=30)
cy = timeit.timeit("fibonacci(30)", "from fibonacci_cython import fibonacci", number=30)

En este se mide cuánto tiempo tarda en calcular el valor la sucesión de Fibonacci para 30 repitiendo el proceso 50. En el mismo ordenador la implementación en Python ha tardado 14 segundos, mientras que la de Cython 0.20 segundos. Lo que significa un aumento del rendimiento en un factor 70.

Podemos recordar que cuando se utilizó la sucesión de Fibonacci para comparar la diferencias de rendimiento entre Julia y Python la diferencia entre estos era un factor de 80. Por lo que en el caso de utilizar Cython se puede obtener un rendimiento similar al de Julia en la sucesión de Fibonacci.

Conclusiones

El rendimiento del código es siempre un asunto importante. Por lo que poder mejorar el rendimiento de este en más de un orden de magnitud es algo que nos permite ser más productivos. Esto es justamente lo que ofrece Cython, poder aumentar el rendimiento de Python considerablemente.

En cierta medida Cython es similar al paquete Rcpp de R. Pero en este caso Cython no es necesario saber programar en C para aumentar el rendimiento de Python, ya que la traducción es también automática.

Imágenes: Pixabay (WikiImages)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Contenido relacionado

Archivado en:Python

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Publicidad


Barra lateral primaria

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

¡Síguenos en redes sociales!

  • facebook
  • github
  • telegram
  • pinterest
  • rss
  • tumblr
  • twitter
  • youtube

Publicidad

Tiendas afiliadas

Ayúdanos realizando tus compras sin coste adicional con los enlaces de la tienda. ¡Gracias!

Entradas recientes

Usar dispositivos USB en VirtualBox

enero 15, 2021 Por Daniel Rodríguez Dejar un comentario

Eliminar elementos en matrices de Matlab

enero 13, 2021 Por Daniel Rodríguez Dejar un comentario

NumPy

NumPy: Crear matrices vacías en NumPy y adjuntar filas o columnas

enero 11, 2021 Por Daniel Rodríguez Dejar un comentario

Publicidad

Es tendencia

  • ¿Cómo eliminar columnas y filas en un dataframe pandas? bajo Python
  • Seleccionar filas y columnas en Pandas con iloc y loc bajo Python
  • Excel en Python Guardar y leer archivos Excel en Python bajo Python
  • Codificación JSON Archivos JSON con Python: lectura y escritura bajo Python
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas bajo Python

Publicidad

Lo mejor valorado

5 (3)

Ordenar una matriz en Matlab en base a una fila o columna

5 (3)

Automatizar el análisis de datos con Pandas-Profiling

5 (5)

Diferencias entre var y let en JavaScript

5 (6)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

5 (3)

Unir y combinar dataframes con pandas en Python

Publicidad

Comentarios recientes

  • Daniel Rodríguez en Calculadora de probabilidades de ganar a la lotería
  • abel en Calculadora de probabilidades de ganar a la lotería
  • David Arias en Diferencias entre regresión y clasificación en aprendizaje automático
  • Juan Aguilar en Archivos JSON con Python: lectura y escritura
  • Camilo en Contar palabras en una celda Excel

Publicidad

Footer

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Noticias
  • Opinión

Programación

  • JavaScript
  • Julia
  • Matlab
  • Python
  • R

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Lo más popular
  • Tienda

Tiendas Afiliadas

  • AliExpress
  • Amazon
  • BangGood
  • GearBest
  • Geekbuying
  • JoyBuy

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Tiendas afiliadas

Ayúdanos realizando tus compras sin coste adicional con los enlaces de la tienda. ¡Gracias!

Amazon

2018-2020 Analytics Lane · Términos y condiciones · Política de Cookies · Política de Privacidad · Herramientas de privacidad · Contacto